Spatial Intelligence

AI'da uzamsal zekâ, bir sistemin dünyanın üç boyutlu yapısını algılama, nesnelerin nerede olduğunu ve birbirleriyle nasıl ilişkilendiğini akıl yürütme ve bu anlayışı eyleme geçmek, soruları yanıtlamak veya yeni sahneler üretmek için kullanma yeteneğidir. Uzamsal zekâya sahip bir model, bir fincanın masanın üzerinde ve erişilebilir olduğunu, bir koridorun köşeden sonra devam ettiğini ve bir sahnenin başka bir bakış açısından nasıl görüneceğini bilir. Terim, uzamsal zekânın Howard Gardner'ın çoklu zekâ kuramındaki (1983) yeteneklerden biri olduğu psikoloji alanından gelir. Terimi AI alanında popülerleştiren Fei-Fei Li, 2025 tarihli Kelimelerden Dünyalara makalesinde uzamsal zekâyı dilden sonraki yeni sınır olarak tanımladı. Uzamsal zekâ, robotik, artırılmış gerçeklik ve otonom sürüşün temelini oluşturur.

Uzamsal Zekânın Yapı Taşları#

Mekânsal anlayış birkaç yeteneği bir araya getirir:

• Derinlik ve 3B geometri: Derinlik tahmini, stereo görüş ve 3B nesne algılama, görüntülerden mesafeleri ve nesne boyutlarını çıkarır. Meta ve Oxford'un VGGT gibi ileri beslemeli yeniden yapılandırma modelleri, CVPR 2025'in en iyi makalesi olarak seçildi ve saniyeler içinde bir ila yüzlerce görüntüden kamera pozlarını, derinlik haritalarını ve 3B nokta haritalarını tahmin ediyor.
• Yerelleştirme ve haritalama: Görsel SLAM, çevresinin haritasını oluştururken hareketli bir kamerayı izler.
• Yönelim ve eklem hareketleri: Poz tahmini, insanların ve nesnelerin nasıl poz verdiğini belirler; döndürülmüş sınırlayıcı kutular ise hava görüntülerinde olduğu gibi yukarıdan görülen nesnelerin dönüşünü yakalar.
• 3B gösterimler: Nokta bulutları, ağlar, sinirsel ışınım alanları ve Gauss sıçratma, yeniden oluşturulan sahneyi görüntüleme, simülasyon ve planlama için saklar.
• Mekânsal akıl yürütme: Üstünde, arkasında ve daha yakınında gibi ilişkilerin yanı sıra mesafeler, boyutlar ve güzergâhlar; dille ifade edilir veya doğrudan karar vermek için kullanılır.

Farklı görevler aynı sahne modelinden farklı şekillerde yararlanır:

2B Tespitlerden 3B Konumlara#

Bir algılayıcı, nesnelerin görüntüde nerede göründüğünü bildirir; derinlik eklemek ise sisteme nesnelerin ne kadar uzakta olduğunu söyler. Ultralytics YOLO26, modellerin piksel başına metre cinsinden derinlik haritası tahmin ettiği bir tek gözlü derinlik tahmini görevi içerir. Böylece bir YOLO26 algılayıcısını YOLO26 derinlik modeliyle eşleştirmek, tespit edilen her nesneyi kameradan belirli bir mesafeye yerleştirir:

from ultralytics import YOLO

detector = YOLO("yolo26n.pt")
depth_model = YOLO("yolo26n-depth.pt")
image = "https://ultralytics.com/images/bus.jpg"

boxes = detector(image)[0].boxes
depth = depth_model(image)[0].depth.data  # per-pixel depth in meters, shape (H, W)

# Read the depth at each box center to place the objects in 3D
for cls, (x, y, w, h) in zip(boxes.cls.tolist(), boxes.xywh.tolist()):
    print(f"{detector.names[int(cls)]}: {depth[int(y), int(x)]:.1f} m")

Kameranın iç parametreleri kullanılarak her kutunun merkezi ve derinliği, metre cinsinden x, y, z koordinatlarına dönüştürülür. Bu, bir kavrama planlayıcısının veya mekânsal soru yanıtlayıcısının ihtiyaç duyduğu türden bir 3B yerleşimdir.

Mekânsal Zekâ ve İlgili Terimler#

• Bilgisayarlı görü: Görüntülerden bilgi çıkarma alanının genel adıdır. Bu alanın büyük bölümü 2B görüntü düzleminde çalışır; görüntüleri sınıflandırır ve nesneleri kutularla işaretler. Mekânsal zekâ ise buna metrik 3B yapı ve ilişkiler ekleyerek üzerine inşa edilir.
• Mekânsal bilişim: Karma gerçeklik başlıklarında olduğu gibi dijital içeriğin fiziksel alana yerleştirildiği ve bu alana tepki verdiği insan-bilgisayar etkileşimi yaklaşımıdır. Mekânsal zekâya dayanan bir uygulamadır.
• Bedenlenmiş yapay zekâ: Fiziksel veya simüle edilmiş bir beden aracılığıyla algılayan ve eyleme geçen ajanlardır. Mekânsal zekâ, böyle bir ajanın ihtiyaç duyduğu yeteneklerden biridir.
• Dünya modelleri: Bir ortamın nasıl değişeceğini tahmin eden modellerdir. Mekânsal temellere dayanan dünya modelleri, tutarlı 3B sahneler oluşturur veya simüle eder.

Çok Modlu Modellerde Mekânsal Akıl Yürütme#

Görsel-dil modelleri görüntüleri akıcı biçimde tanımlar, ancak uzamsal akıl yürütme konusunda geride kalmıştır. İç mekân videoları hakkında 5.000'den fazla soru içeren bir kıyaslama olan VSI-Bench, 2024'te çok modlu LLM'lerin rekabetçi ancak insan düzeyinin altında görsel-uzamsal zekâ sergilediğini ve temel darboğazın uzamsal akıl yürütme olduğunu ortaya koydu. Modellerden yanıtlamadan önce odanın açık bir bilişsel haritasını çizmelerini istemek, mesafeyle ilgili yargılarını iyileştirdi. Ultralytics VLM Leaderboard, daha dar bir uzamsal beceriyi, yani görsel-dil modellerinin gerçek dünya görüntülerindeki nesnelerin çevresine ne kadar doğru kutu yerleştirdiğini ölçer. Üretken modeller soruna diğer yönden yaklaşıyor. Fei-Fei Li'nin kurucu ortağı olduğu World Labs, Kasım 2025'te metin, görüntü veya videoyu Gaussian splat ya da ağ olarak dışa aktarılabilen kalıcı ve içinde gezinilebilir 3B ortamlara dönüştüren bir dünya modeli olan Marble'ı yayımladı.